基于RSM-GA与BP-PSO的钛合金筋板特征构件筋槽充填优化

以TA15钛合金筋板特征构件为研究对象,首先,采用图像感知的实时监测方法,通过对图像进行捕捉获得任意时刻下的筋槽充填状态,并结合有限元模拟研究了筋槽中的材料流动及充填规律;其次,基于RSM-GA构建了双响应面回归模型,以此优化设计坯料尺寸参数,并利用GA优化算法开展智能决策;同时,建立不同坯料对筋槽充填的BP神经网络智能预测模型,配合PSO算法的智能决策进行稳健优化求解;随后,通过对比两个模型的优化解,得出RSM-GA模型精度较高且优化解的充填效果更好;最后,利用图像感知进行RSM-GA优化结果的物理实验模拟验证,证实了该研究在获得最佳筋槽充填的同时,可弱化坯料优化设计中不确定性因素波动的影响。

精确预测近平面应变载荷下各向异性行为的屈服准则参数识别策略

随着现代汽车工业对冲压零部件成形精度要求的不断提高,描述商用汽车板材变形行为的模型的精度也必须相应提高。在此背景下,结合当前工业级实验室检测能力,提出一种基于单轴拉伸、等双轴拉伸和近平面应变数据标定先进各向异性屈服准则的参数识别策略。将新提出的校准方法应用于BBC2008屈服准则并与其他几种屈服准则(包括工业界广泛使用的Hill48和Barlat89,以及与BBC2008灵活性相当的Yld2004-18p、Yld2011-27p、Yoshida2013和Poly4*Hosford)进行比较。通过定量评估MP980和SPCE钢以及5182-O和A6XXX-T4铝合金的法平面屈服轨迹、对角线平面剪切屈服轨迹、等双轴和单轴拉伸屈服应力与塑性应变比的预测误差,验证了新参数识别策略的有效性和适用性。结果表明,新方法能够全面提升塑性各向异性方面的描述能力,尤其是对于对角线平面剪切屈服轨迹。不同屈服准则对商用汽车板材各向异性行为的描述能力表现出非常大的差异性。特别地,在使用相同力学性能数据校准屈服准则的前提下,释放指数的潜在调节能力比增加材料参数的数量更加重要。